Nowa baza danych ogranicza halucynacje sztucznej inteligencji

Naukowcy z KAIST opracowali bazę danych nowej generacji, która łączy trzy różne sposoby przechowywania informacji i dzięki temu ogranicza halucynacje sztucznej inteligencji, podnosząc trafność odpowiedzi nawet o 78%.

Problem halucynacji

.Jedną z największych słabości agentów AI, które czytają i przetwarzają ogromne ilości firmowych danych, są halucynacje, czyli generowanie wiarygodnie brzmiących, lecz fałszywych informacji. Zespół z KAIST, kierowany przez profesora Min-Soo Kima ze School of Computing we współpracy ze startupem GraphAI, stworzył technologię, która rozumie jednocześnie dokumenty, dane i relacje między obiektami. Nazwano ją AkasicDB, a na jej podstawie opracowano nową metodę generowania wspomaganego wyszukiwaniem (RAG), czyli Omni RAG. Problem jest realny, bo firmowe dane są rozproszone w dokumentach, tabelach i powiązaniach między obiektami, przez co AI z trudem ogarnia je całościowo i bez wystarczającego oparcia w źródłach potrafi udzielać błędnych odpowiedzi.

Trzy bazy w jednej

.Sednem rozwiązania jest połączenie trzech rodzajów baz danych w jednym systemie zarządzania. Pierwsza to baza wektorowa, która zamienia znaczenie dokumentów lub obrazów na ciągi liczb, by wyszukiwać podobne informacje. Druga to baza grafowa, przechowująca i analizująca relacje między obiektami takimi jak osoby, firmy czy produkty. Trzecia to baza relacyjna, porządkująca dane w formie tabel. AkasicDB scala je w jednym silniku, dzięki czemu metoda Omni RAG poprawia trafność odpowiedzi, korzystając naraz ze znaczenia dokumentów, powiązań między obiektami oraz danych ustrukturyzowanych.

Granice dotychczasowego RAG

.Klasyczny RAG działa tak, że zamienia zapytanie i dokumenty na wektory, odnajduje dokumenty najbardziej zbliżone znaczeniowo i przekazuje je dużemu modelowi językowemu. Sprawdza się to przy przeszukiwaniu nieustrukturyzowanych tekstów, ale zawodzi przy złożonych zapytaniach, które muszą uwzględnić relacje między obiektami albo warunki strukturalne, takie jak okres, typ czy zakres. Dobrze widać to na przykładzie zapytania: „znajdź klauzule dotyczące firmy A wśród umów zawartych w zeszłym roku i wyjaśnij, jak wiążą się one z problemami w dostawach”. Taka prośba wymaga jednocześnie wyszukiwania wektorowego, by uchwycić znaczenie, przeszukania grafu, by prześledzić relacje, oraz zapytania relacyjnego, by odfiltrować po dacie i typie. W dotychczasowych systemach trzeba było budować osobne bazy i łączyć wyniki dopiero na poziomie aplikacji, co rodziło złożoność i opóźnienia.

Jak działa Omni RAG

.Omni RAG łączy wyszukiwanie podobieństwa wektorowego, przeszukiwanie grafu i filtrowanie relacyjne w jednym zapytaniu i jednym planie wykonania. Dzięki temu odnajduje trafniejsze dowody, sięgając równocześnie po znaczenie z dokumentów, powiązania z grafów wiedzy i warunki strukturalne z tabel, co znacząco ogranicza halucynacje. Użytkownik może wyrazić nawet skomplikowane zapytanie jako pojedyncze polecenie w języku SQL lub GQL, a AkasicDB optymalizuje je i przetwarza jako jeden spójny plan wykonania.

Szybciej i trafniej

.Zintegrowana architektura ogranicza zbędne wyniki pośrednie i przenoszenie danych, przez co model zużywa mniej tokenów, a odpowiedzi pojawiają się szybciej. W eksperymentach złożone zapytania, które w dotychczasowych systemach trwały do 21,3 sekundy, przetworzono w czasie poniżej jednej sekundy, co oznacza przyspieszenie ponad dwudziestokrotne. Trafność odpowiedzi Omni RAG poprawiła się przy tym nawet o 78% w porównaniu z klasycznym RAG. Wyniki zaprezentowano 2 czerwca jako pracę demonstracyjną na konferencji ACM SIGMOD 2026, której pierwszym autorem jest doktorant Geonho Lee.

Infrastruktura dla agentów

.Profesor Min-Soo Kim podkreśla, że aby agenci AI trafnie rozumieli i wykorzystywali ogromne zasoby firmowych danych, niezbędna jest infrastruktura przetwarzająca dane wektorowe, grafowe i relacyjne w sposób zintegrowany, w jednym systemie. Jego zdaniem AkasicDB to technologia stworzona z myślą o erze agentów, którą można wykorzystać tam, gdzie liczy się wysoka wiarygodność, od obronności i przemysłu, przez finanse i prawo, po naukę. Jeżeli takie zintegrowane bazy faktycznie się upowszechnią, agenci AI będą mogli rzadziej zgadywać, a częściej opierać się na sprawdzonych dowodach, a halucynacja z głównej bariery zacznie zmieniać się w problem do opanowania.

Szymon Ślubowski